发布了笔记 3年前
GameStop在这周暴涨暴跌的连锁原因⁉️
虽然考过了CFA三级,但是对于股票市场一直都是佛性投资,然而这周感觉整个硅谷都在吃GameStop暴涨暴跌的瓜,所以跟进了一下,来跟大家简述一下它暴涨暴跌背后的连锁原因吧 · 📌2020年的稳步下跌:华尔街看衰GameStop GameStop主营游戏产品,在美国有5000多家连锁店。虽然说美国疫情,游戏的受众一直扩展,但是买游戏的渠道却搬到了网上。因此,不论是公司的财务报表还是华尔街的预测,以实体店为主要销售渠道的GameStop都是唱衰的,因此股价下跌 👉但是华尔街操纵资金,除了购入看涨的股票,还要做空看跌的股票。举个例子,比如今天股票的价格是10美金,华尔街如果看衰这个股票,就会跟另一方协定,10天以后用8美金把股票转手给他。10天以后,如果股价掉到了5美金,华尔街就相当于可以5美金买入8美金卖出,净赚3美金每股 · 📌2021年的第一波上涨:公司决定扩展网络销售的利好消息 但是万万没想到,2021一开年,GameStop就产生了人事变动,表明了自己要大力开发网络销售渠道的决心。有了这样一个利好消息,股价当日就上涨了13% 👉其实这波上涨还算理智,但是华尔街那些做空的资金就要开始规避风险了。因为承诺了10天后以8美金的价格出售股票,如果10天以后股票涨到了10美金,那就相当于10美金买入8美金卖出,净亏2美金每股了。因此华尔街要趁着当前可能还是8美金的股价快点买入,这样到时候至少不亏不赚吧 · 📌2021年的疯狂上涨:利好上涨因为散户和华尔街的正反馈无限放大 美国疫情经济停滞,银行降低利息,补助金发放美金贬值,导致股市成了少有的几个投资渠道,再加上Robinhood等交易软件免交易费,因此美股市场真的是散户异常活跃。但是很多股民并不知道买什么卖什么,因此就开始用Reddit这些论坛跟风交易,而GameStop就是最热议的股票之一 👉一边华尔街用集中的资金看衰GameStop,一边Reddit拉拢散户集体下注GameStop,这场持久战,因为GameStop扩展网络销售的决心,产生强烈的正反馈。看着这上涨的股票,一边是散户,也想复制网友一夜暴富的奇迹,越买越嗨,一边是华尔街,为了规避做空可能引发的损失,被迫越买越多,导致股价疯狂上涨 · 📌周四的突然暴跌:散户交易暂时被禁 当散户还沉浸在周三暴涨的喜悦时,周四Robinhood等各大交易软件突然禁止了GameStop的股票交易,导致股票大跌。一时间各种阴谋论传播全网,但其实并不是人们所说的华尔街这只幕后黑手在玩弄股民 👉Robinhood作为一个中间商,其实并不是每笔交易都能从买家那回笼资金,这就意味着需要垫资给卖家。周四其实只是Robinhood自身资金链断裂,没有办法作为中间人垫资,所以在筹到钱之后今天又立马开放了交易 · 📌这只股票要不要买 长线投资完全不应该买,因为现在的股票并不被公司的基本面支持。但是一天之内进进出出的人为“高频交易”其实可能还是可以捞到点钱的,毕竟这个股票的波动很大,但个人觉得这不叫投资,叫赌
发布了笔记 3年前
给想当画家🎨的女儿张罗的神仙颜值绘本(二)
继续上一篇介绍的8️⃣本神仙颜值绘本,再来8️⃣本小可爱 · ❤️❤️❤️ Sleep Like a Tiger 👉Caldecott Honor Book 👉每张画都好华丽精致,主要是用来让小朋友好好睡觉的,故事很暖 · ❤️❤️❤️ Extra Yarn 👉Caldecott Honor Book 👉简约画风,讲一个织毛衣的小女孩给各种东西织彩色毛衣,特别有爱 · ❤❤️️❤️ After the Fall 👉故事跌宕起伏,最后意味深长的结尾,很励志 · ❤️❤️ They All Saw a Cat 👉Caldecott Honor Book 👉用插画讲述了同一只猫咪在不同生物眼里的样子,告诉小朋友不同的人对同一样事物会有不同解读 · ❤️❤️ The Adventures of Beekle: The Unimaginary Friend 👉 Caldecott Medal 👉用很可爱的方式讲述了完美的友谊 · ❤️❤️ Bear Came Along 👉用很可爱的方式讲述了不同生物之间的取长补短,相互合作 · ❤️ Radiant Child 👉 Caldecott Medal 👉讲述了黑人画家Basquiat的故事,感觉提到了很多艺术家的那种奇斯底里,虽然书里没提,但是他是过量英年早逝,觉得女儿做个平凡的人就好 · ❤️ The Rough Patch 👉 Caldecott Medal 👉讲述的是如何面对失去最依赖的东西,稍微有些沉重,不过结局暗示了新的开始
发布了笔记 3年前
给想当画家🎨的女儿张罗的神仙颜值绘本(一)
女儿总是问我长大能不能当画家,支持女儿的梦想,先从绘本抓起。美国有一个叫Caldecott Medal的绘本奖,每年评选一本插图最为杰出的绘本,得奖绘本真的是每张插图都是一副艺术作品,给想当画家的女儿最合适不过了 · ❤️Madeline:虽然只是Caldecott Honor Book,但是个人觉得最唯美。里面的插画描绘了很多巴黎最著名的景点,故事也很可爱,强烈推荐 · ❤️Hello Lighthouse:2019年的Caldecott Medal得主,画面除了精美还很有创意,强烈推荐 · ❤️Wolf in the Snow:2018 年的Caldecott Medal得主,最有意思的是整本书基本上没有文字,都是很有情感的画面,也是超级喜欢 · ❤️Locomotive:2014年的Caldecott Medal得主,整本书把火车用图文介绍的好细致,唯一就是真的好长,给女儿读一遍大概要十五分钟 · 其他的话, This Is Not My Hat,I Want My Hat Back,We found a hat是三本一套买的,有个小礼盒装很精致的,故事有点小黑色幽默 · Where the Wild Things Are也是个结局很温暖的故事,插图和故事都比较抽象 · 都是很棒的书,妈妈翻着也觉得赏心悦目
发布了笔记 3年前
每逢佳节胖🔟斤📍湾区🔟顿外卖点啥呢😋
记录从平安夜开始的🔟天吃喝,反省为何逃不过每逢佳节胖🔟斤的魔咒 · 0️⃣1️⃣/0️⃣2️⃣Sizzling Pot King:湾区最火爆的麻辣香锅❤️❤️ 👉香锅选了牛肉和牛肋骨加了配菜💰62美金 点单:DoorDash 📍Sunnyvale 📍 San Francisco · 0️⃣1️⃣/0️⃣1️⃣ Tony's Pizza Napoletana:湾区最好吃的披萨获奖无数❤️❤️ 👉New Yorker💰37美金:招牌披萨 点单:Caviar 📍 San Francisco · 1️⃣2️⃣/3️⃣1️⃣Benu:第一次出了米其林三星风格8 course的外卖❤️❤️❤️ 平时菜单是主厨的亲民餐厅San Ho Won,所以要蹲下一个节日 点单:Tock 📍 San Francisco · 1️⃣2️⃣/3️⃣0️⃣Palm City Wines:今年新开湾区最好吃的三明治❤️❤️ 👉Hoagie au Poivre💰18美金:味道有点像cheesesteak 点单:官网10点抢购 📍 San Francisco · 1️⃣2️⃣/2️⃣9️⃣ Palette Tea House & Dim Sum:无感早茶的人唯一样样想点的店❤️❤️❤️ 👉Typhoon Crispy Ha Gow💰9美金:最爱单品 点单:UberEats 📍 San Francisco 📍 San Mateo · 1️⃣2️⃣/2️⃣8️⃣ Kin Khao:旧金山性价比最高的米其林一星泰国菜❤️❤️❤️ 👉 Pretty Hot Wings💰14美金:酸辣味道很上瘾 点单:官网点单 📍 San Francisco · 1️⃣2️⃣/2️⃣7️⃣ Kokkari Estiatorio:湾区堂食最好吃的希腊菜❤️❤️ 👉Moussaka💰32美金:里面有牛肉羊肉 点单:DoorDash 📍 San Francisco · 1️⃣2️⃣/2️⃣6️⃣ Ippudo:湾区其它好吃的拉面实在太多了❤️ 👉Karaka Spice💰19美金:是我喜欢的辣味细面 点单:UberEats 📍 Cupertino 📍 San Francisco 📍 Berkeley · 1️⃣2️⃣/2️⃣5️⃣ Nobu Palo Alto:现代日料鼻祖,就是定价高❤️❤️ 👉Black Cod💰38美金:味增腌渍的烤鱼 点单:Postmates 📍Palo Alto · 1️⃣2️⃣/2️⃣4️⃣ SPQR:米其林一星意大利餐厅圣诞出的7鱼course❤️❤️ 要等明年圣诞期间才会再有了 点单:Tock 📍San Francisco
发布了笔记 3年前
2020上海➕湾区探店30家米其林🌟的最❤️前10
🍽回国过年在【上海】打卡的6️⃣家餐厅 🌟🌟🌟 Ultraviolet By Paul Pairet:一场立体的视听味蕾盛宴,体验秒杀所有去过的米其林三星❤️❤️❤️ 🌟🌟 雍福会·宴会厅:上海本帮菜,适合家庭聚会 🌟🌟 8 1/2 Otto E Mezzo BOMBANA:意大利菜,感觉湾区普遍口感更好 🌟 大董(环贸iapm店):北京烤鸭,吃过最精致的烤鸭❤️❤️❤️ 🌟 家全七福(静安店):粤菜,个人对粤菜无感 🌟 大蔬无界·上海外滩和美馆:素食,味道真的不如国内各种寺庙的素斋 · 🍽有幸在【湾区】封城大半年堂食的4️⃣家餐厅 🌟🌟🌟 The Restaurant at Meadowood:加州风餐馆,视觉有一种高级的质朴,口感是让人魂牵梦绕的华丽❤️❤️❤️ 🌟🌟 Californios:墨西哥菜,让我这个不爱墨西哥菜的人也吃的很享受 🌟 SPQR:意大利菜,一定要午餐堂食那个39美金三道意大利面的course❤️❤️❤️ 🌟 La Toque Restaurant:法国菜,竟然还有全素tasting menu的选择 · 🍽【湾区】封城外卖的米其林二三星餐厅6️⃣家 🌟🌟🌟 Atelier Crenn:法国菜,是把精致程度保存的最好的米其林三星外卖❤️❤️❤️ 🌟🌟🌟 Benu:融合韩料元素,虽然大部分时间的外卖都是主厨旗下的传统韩餐San Ho Won,但是跨年夜晚餐会回归原品牌,吃完来发❤️❤️❤️ 🌟🌟🌟 Manresa:新美式餐厅,很长时间的外卖只注重原材料和传统,没有太多精致 🌟🌟 Saison:外卖只有他们家Smokehouse的烤肉,但是真的好吃 🌟🌟 Commis:新美国菜,是最大化保持原始菜系但是需要加工最省力的餐厅 🌟🌟 Acquerello:意大利菜,菜单保存的是好,加工真的好繁复 🌟🌟 Lazy Bear:新美国菜,外卖的鸭子加工熟度不好控制 🌟🌟 Baume:家庭式餐厅,外卖牛肋骨真的还是亚洲餐厅比较讨喜 · 🍽【湾区】封城外卖的米其林一星日料6️⃣家 🌟 Sushi Hashiri:湾区最精致的怀石料理外卖,独此一家❤️❤️❤️ 🌟 Wakuriya:60美金三道料理外卖,价格真的美好❤️❤️❤️ 🌟 Juni:刺身饭食菜新鲜,价格亲民 🌟 Wako:寿司course外卖,颜值味道都精致 🌟 Sushi Yoshizumi:食材新鲜味道好,就是性价比略低 🌟 OMAKASE:除了寿司还有其它日式料理,精致程度一般 · 🍽【湾区】封城外卖的其它米其林一星7️⃣家 🌟 Birdsong:外卖炸鸡真的是又酥又香又入味,价格还亲民❤️❤️❤️ 🌟 Kin Khao:外卖的鸡翅和炒面绝对上瘾,堂食和外卖价格都走的亲民路线❤️❤️❤️ 🌟 RASA Contemporary Indian:印度菜,重口味做的精致很好吃 🌟 Mister Jiu's:美式中餐,还是更喜欢传统烤鸭 🌟 Mourad:摩洛哥菜,肋骨好吃但加工繁复 🌟 SPQR:意大利菜,圣诞节的七鱼套餐很精美 🌟 Spruce:外卖汉堡,跟传统汉堡比各有优势 · 2020年打卡餐厅不容易,2021祈求全球疫情好转,我会继续分享数据科学和硅谷职场,还会更努力的做你们的美食博主的[飞吻R
发布了笔记 3年前
0️⃣成本0️⃣金融背景一年半考完CFA三级经验分享
从本科到博士一直学习电子工程,在博士期间想过从事金融行业,于是考完了三级CFA。虽然最后没有从事金融行业,却对自己的知识储备,思维方式和简历呈现提供了很大帮助。今天想来分享一下0成本0金融背景过CFA三级的备考经验 · 【准备时长】 不主张把战线拉的太长,三个月最好,六个月为上限。周中每天至少花一个小时,周末两天加起来尽量八个小时以上 · 【准备材料】 1、不主张看CFA教材,大家都知道西方人写教材很啰嗦,抓不住重点,阅读教材有些浪费 2、只看Kaplan的Schweser Notes,言简意赅,0金融基础的人也能看懂 3、Kaplan的practice exam和CFA官方的模考要当成考试做 · 【时间分配】 每一级考试,我一般前三分之二的时间反复阅读Notes掌握知识点,后三分之一的时间不停做模考题巩固知识点 · 【阅读Notes技巧】 俗话说得好,书越读越薄,它本是用来比喻一种知识牢记于心中,无需再翻书的抽象概念,但复习考试还真是需要形象的把书越读越薄,这样考试前,你才有可能利用这本薄薄的书把知道点再过一遍 · 1、第一遍读Notes,大概花费所有读Notes时间的二分之一,尽量理解里面的每个概念。读Notes的过程中,把自己觉得重要的知识点记下来,我一般把阅读笔记打到word文档里 📌这一遍读Notes的目标是理清知识整体构架和弄懂每个知识点 · 2、第二遍读Notes,用剩下时间的二分之一,边读边对照上次阅读记录的笔记,并调整内容。一般第二次读一样东西,理解会更深刻,因此对什么该进入笔记会有更好的判断 📌第二遍阅读的目标是完全掌握每一个知识点,并完善阅读笔记的内容 · 3、第三遍其实是阅读自己的笔记,然后发现对什么概念有些模糊了,就回去查询Notes 📌第三遍的目标是牢记每个知识点 · 【模考技巧】 等觉得自己知识点扎实了,下一步就是模考了,千万不要颠倒了顺序 · 1、当成正式考试,掐时间,不“作弊”。另一个要点就是把自己拿不准的题目做个标记 · 2、认真校对答案,对于做错的题目和自己做了标记的题目,认真查看解答,如果发现了一开始被忽略的知识点,要调整笔记 · 3、从反复的模考中,提炼一个重要的公式笔记 · 【临考复习】 以上所有步骤都是为了临考前的几天或一周,用自己的阅读笔记快速翻阅所有知识点以及公式笔记巩固所有重要考点
发布了笔记 3年前
五年三个领域分享各个领域数据工作有何异同
作为一名在硅谷“打拼”了五年的数据科学家,从市场营销,到推荐算法,再到用户界面,也算是用数据支持过产品的方方面面。数据行业的兴起,起源于人们把线下行为一步一步的搬到了互联网上,从我们主动打开电脑在线上买买买,到手机在不经意间就可能把我们的位置上传到服务器,互联网行业收集和利用的数据一直在向用户行为的各个维度不停扩张,这也就给了数据工作者在各个领域利用用户数据创造商业价值的机会 · 所以就以自己支持过的这三个领域,跟大家聊聊不同领域的【数据科学家】日常工作有何异同,顺便分享为何我觉得支持用户界面是数据科学最有趣的领域 ☕️☕️☕️ · 📌数据工作不变的主题 在比较这三个领域的不同之前,先来说说这三份工作的相同之处。数据科学家的工作,总是逃不开三个主题 · 1️⃣Opportunity Sizing:在一个新的产品创新想法被产生后但执行前,用数据来估算这个创新会带来的潜在影响力,以评估是否应该投入资源来实现 · 2️⃣A/B Testing:在一个新的产品创新想法被实现后但推广前,用实验来测量这个创新会带来的实际影响力,以评估是否应该推广给所有用户 · 3️⃣Research:完善实验方法,开发测量指标,研究用户数据等短时间内不直接影响产品的工作 · 我前后支持的三个领域,都涉及到了这三个方面的工作,但是由于领域不同,这些工作的目标函数和有趣程度却千差万别 ☕️☕️☕️ · 📌市场营销数据科学家 那是我的第一份数据工作,东家是Facebook,我的合作方,营销员的主要工作呢是在脸书的平台上发布广告,吸引脸书的用户,特别是那些中小型的个体户,在看到广告之后,在脸书的平台上做广告 · 比如我们想卖广告刚建了脸书上商业页面的用户,那opportunity sizing就是来看这些目标用户的规模有多大,值不值得我们专门去设计广告。如果目标用户足够多,我们就可以设计广告,然后给一部分的用户送广告,一部分不送,测量转化率,也就是通过广告我们是不是把更多有商业页面的免费用户转化成了在脸书上做广告的付费用户 · 作为我的第一份工作,我从这段经历里学到了很多东西,但是最后让我想离开的两个最大原因是 · 👉市场营销的转化率真的是一个非常不敏感的指标,所以一般实验总是测量不到什么有结论性的结果,但与此同时呢,除了转化率,又很难找到比它敏感但对下一步的创新有指导意义的其他测量指标,所以用数据做决策这事难之又难 · 👉市场部门在对待A/B testing时,与其说他们想通过实验学习如何更好的创新,更像是通过测量来彰显自己通过设计广告给脸书带来了多少广告商。这一点最致命的伤害是,当我们在做完善实验方法等Research时,很多时候目标变成了怎么用log transformation, 用winsorization,用covariate adjustment等方法来让测量结果变成一个有统计显著性的“正”结果,这样才能协助部门”鼓吹”自己给脸书带来的利润。虽然我自觉并不是那种刻板的博士生,但我也很难认同把时间花在”炮制“数据上 ☕️☕️☕️ · 📌推荐算法数据科学家 我刚跳槽到Netflix的那会,被借调到隔壁组做了一会推荐算法的数据科学家。我们都知道,奈飞的影片推送是根据每个用户的观看历史和其他行为做了个性化定制的,但这个算法一直在不停的提高和更新。所以我那时候的工作,就是来估算新的算法可能会影响到多少用户以及测量新的算法真正带来了多少影响力 · 这份工作除了本身严谨,而且职位听起来也很高大上,但我觉得我后来迫不及待的结束借调是因为觉得能够产生的影响力很局限。我那时候的合作者都是做机器学习的算法工程师,对于每一个新开发的推荐算法,先不说由于机器学习的算法像个黑盒,应用算法的工程师有时候都难以解释到底发生了什么,就算可以解释,我的合作者就是这方面的专家,我很难在新算法没有显著提高用户体验之后一针见血的告诉他们哪个特征还可以提高或者哪个参数还可以调调,觉得自己不能对产品产生直接的影响力 ☕️☕️☕️ · 📌用户界面数据科学家 那时候我负责的是奈飞手机应用的所有用户界面,从主页到搜索到下载,到后来加入的新片功能,所有页面的布局,文字,按键都是我和我的产品组一起要创新和优化的内容 · 我喜欢做用户界面的数据分析主要有三大原因 · 👉用户其实对界面上的任何变化都是很敏感的,每次做实验,就算核心指标没有移动,总可以找到一些描述用户具体行为的指标变化了,所以每次实验总是可以基于数据讲述产品的故事 · 👉对于用户界面,虽然设计师有着专业知识,但是其实每个人都接触着各种各样的互联网产品,所以就算做不了设计,总是可以贡献想法或者提出改进意见的。而数据科学家的优势,就是可以一边提出想法,一边还能拿数据支撑自己的想法,所以绝对满满的存在感 · 👉对于很多成熟的产品,其实现有的推荐算法都已经很成熟了,要提高很难,但是往往产品中的新功能会需要新的推荐算法来支持,而这个新功能呢往往是用户界面团队来启动的。而我的团队曾经开发的新功能呢就需要新算法来支持,而在做最初的原始模型验证这个想法的可行性时,由于还没有算法团队的资源,所以作为数据科学家,我就有了开发初始机器学习模型的机会 ☕️☕️☕️ · 以上就是我支持过的三个领域的数据工作,当然其实数据工作的范围远不止这些,每一个数据科学家也不一定会苟同我对用户界面这块的热爱。但是我想说的是,数据工作会因为你涉及的领域不同而千变万化,因此不仅我们可以试着去寻找一份更适合自己兴趣的工作,作为求职者,我们也更应该去应聘一份因为自己的独特背景可以在众求职者中脱颖而出的工作
发布了笔记 3年前
圣诞🎄放假不提工作给女儿张罗好吃的
虽然我爱好探店打卡,但是女儿却更喜欢妈妈亲手做的菜。平时上班太忙不能好好做菜,圣诞放假,终于有时间认认真真的给女儿张罗了🔟餐饭😘 · 📌食材准备 👉日本超市Mitsuwa Marketplace食材丰富又精致,肉类和海鲜都很棒 👉亚马逊配送Whole Foods Market,有机蔬菜特别棒 · 📌妈妈做的菜 👉第1️⃣天:日本鳗鱼,香肠芦笋,番茄蛋花汤 剩菜第二天给女儿做了鳗鱼饭,给自己做了杂烩面 👉第2️⃣天:蛤蜊蒸蛋,炖牛肋骨,香菇青菜,前天剩下的番茄蛋花汤 剩菜第二天给女儿做了牛肋骨面,给自己做了蛤蜊面 👉第3️⃣天:皮蛋豆腐,肉末豆腐,鸡蛋煎豆腐,皮蛋豆腐汤 剩菜第二天给女儿做了鸡蛋煎豆腐配黄金炒饭,给自己做了黄金炒饭配皮蛋豆腐汤 👉第4️⃣天:香肠芦笋,麻辣香锅,前天剩下的皮蛋豆腐,前天剩下的肉末豆腐 剩菜第二天给女儿做了杂烩面,给自己做了麻辣香锅盖饭 · 📌平安夜大餐 从米其林一星意大利餐厅SPQR每人点了一份七鱼套餐,觉得带女儿在湾区四处打卡米其林餐厅还有些早 · 📌圣诞节大餐 从宇宙中心的现代日料 Nobu点了日式晚餐,女儿特别爱鳗鱼饭,但是对于日料的所有熟食都很喜欢 · 有了孩子才理解了,女儿爱吃的东西都愿意留给女儿,女儿不爱吃的东西就把自己当成了垃圾桶,只希望快点有一天女儿的味蕾变得更加包容万象,一定带她一起打卡湾区的所有米其林😛
发布了笔记 4年前
亲身经历【数据分析师】和【数据科学家】的异同
作为硅谷的一名数据工作者,16年我拿到第一份数据工作,头衔叫做SMB Analyst,是Facebook面向中小型广告商的市场营销部门的【数据分析师】。17年我跳槽后的第二份数据工作,头衔叫做Senior Data Scientist,是负责Netflix手机应用所有用户界面的【数据科学家】 · 📌 所以就用自己的亲身经历和所见所闻来聊一聊:数据分析师和数据科学家这两个职位到底有什么不同,数据工作的不同头衔到底存不存在着潜在的“鄙视链”? · ✅简单的回答,从工作内容和工资待遇上确实存在着差别,但从学历背景和个人能力上真的没有什么不可跨越的鸿沟 · ☕️☕️☕️ 📌先来说说工作内容,一般公司的数据工作呢分为三大类 👉第一类以做数据建模和算法研究为主,求职者需要有机器学习的背景,头衔往往叫做Research Scientist 👉第二类以做数据分析和实验测量为主,求职者需要有统计学的知识,头衔就是我们常说的Data Scientis了 👉第三类以做数据分析以及数据可视化为主,就是我们常说的Data Analyst · 我们最关心的数据科学家和数据分析师,这两者最大的差别是 👉前者需要支持产品迭代来做AB实验,也就引出了其研究实验方法和开发测量指标等相关的工作内容 👉后者虽然不会涉及太多跟统计相关的工作,但是往往在制作数据仪表盘方面更为专业和精通 · 然而除此以外呢,有些公司还喜欢把支持产品以外AB实验的数据工作者也成为数据分析师,就像我第一份工作时的头衔虽然是SMB Analyst,但是我们却负责市场营销方面的所有AB实验。就像最早做产品实验的数据工作者也被成为数据分析师,我的部门也在经过了一轮改名潮后把所有人的头衔改成了数据科学家 · ✅所以如果你服务于市场营销等晚于产品后来崛起的数据部门,不管你的头衔是什么,只要你的工作内容里有AB实验,就是一个正在积累经验的数据科学家 · ☕️☕️☕️ 📌但不管工作内容有多相似,普遍来说数据分析师的工资待遇确实低于数据科学家 · 我当初在面SMB Analyst的时候被招聘者反复洗脑,SMB Analyst 和Data Scientist工作内容相似,只是头衔听起来不同,导致我这个初出校门的职场小白都完全没有仔细去琢磨这两个头衔背后的薪资待遇差别。当然啦,当时由于其他原因,我就面了这么一个职位,被录用了,就推掉了所有其他数据科学家的面试,放弃了横向比较的机会 · 直到后来我想在Facebook内部转组,才知道原来从SMB Analyst转到Data Scientist不仅级别需要下调一级,还要重新走整个面试流程。后来又听组里的人说,外部求职者如果面Data Scientist没有通过,还会被邀请来面SMB Analyst · ✅所以即使公司有什么面挂之后一年之内不能再申请的政策,能通过简历审核就一定要试试面数据科学家,过了工资待遇划算,挂了还可以继续征战数据分析师 · ☕️☕️☕️ 📌很多人担心自己没有博士学历,所以面不了数据科学家,但是数据科学家和数据分析师在学位上真的没有什么强硬的要求和划分 · 我当初不假思索的接了SMB Analyst的工作,其中一个原因就是,通过Insight Data Science这个奖学金项目跟我一起去面试的十几个博士都被刷了下来。我入职之后,部门也是博士学位的新人源源不断 · 回到我现在Senior Data Scientist的这份工作,不仅组里有硕士,老板自己是硕士,只要有工作经验,招人筛选简历绝对不会因为没有博士学位而卡人 👉但如果是同样没有工作经验的硕士和博士毕业生相比,那博士毕业生确实更有胜算。但我觉得这也是情理之中,毕竟比起硕士生,博士生至少在实验室多积累了三年即使是不直接想关的研究工作经验 👉但是说到本科生学历,确实在数据科学家这个圈子里比例很小,而且我之前遇到的本科学历的同事,也都一边上班一边上着非全职的硕士项目。因此如果不考虑抽样的选择性偏差,根据数据,确实拿个研究生学位应聘数据科学家会更有底气 · ☕️☕️☕️ 📌最后说到个人能力,其实头衔真的代表不了什么 · 我也有好几个之前在做SMB Analyst时的同事,就在整个部门改头衔到Data Scientist之后,还是又跳槽来了我现在的公司做回了数据分析师。我刚认识他们那会,他们就都是很优秀的同事,经历了三次头衔变更,中间的职场经历只可能让他们变得越来越优秀,所以现在又变成了数据分析师的头衔又能怎么样呢 · 职场上我们要做出的选择很多,工作内容,合作伙伴,薪资待遇,甚至日后在组里上升的潜力,每个人都有会自己的考量和取舍。所以不要让头衔限制了你对别人的评价,更不要让头衔限制了你对自己的成长要求 · 对于任何一份工作,能不能拿到面试,面试之后能不能通过,总是跟着整个求职市场,跟着你和招聘者之间的气场在一起波动的,匹不匹配是一部分的原因,运气也占了很大的一个成分 · ✅所以不管头衔是什么,只要你觉得做的东西有意义,还能跟身边的同事学到东西,就应该认真付出,好好准备迎接下一个你更心仪的机会
发布了笔记 4年前
研究了十年电子工程后我如何转行【数据科学】
作为硅谷的一名数据科学家,从16年拿到18万美金包裹的第一份工作,到今天涨到50万美金的底薪,入行之前我也只是一个电子工程博士在读的数据小白,所以以亲身经历分享: 👉非科班出生的求职者要如何打入数据行业,斩获第一份数据工作把 · ☕️☕️☕️ 📌首先,我们应该怎么样构架在数据行业所需要的知识背景吧 · 公司开设数据科学家这个职位的主要动机是呢用AB实验做产品决策,而AB实验的理论都是建设在假设检验上的,因此在我那个还没有数据分析这些新兴专业的年代呢,手持统计学学位就算是科班出生了 · 然而除了基本的统计学,数据工作者还需要 👉精通SQL调用数据 👉具备product sense分析数据 👉擅长communication表达数据 👉熟悉Python会写基本的程序 👉会用machine learning来做基本的模型 所以其实不管什么背景的求职者,都需要在投简历之前自己花时间补充知识 · 我当时用了 👉Coursera上Johns Hopkins出的Statistical Inference和Regression Models这两门课补了补统计学 👉Coursera上Stanford出的Algorithms和Machine Learning这两门课分别补了补算法和机器学习 👉刷SQLZOO从零开始掌握了SQL 👉刷Leetcode的简单到中等难度的题一边练习算法一边保持对Python的手感 👉至于product sense和communication这些软技能呢,我主要是借助了前麦肯锡咨询师Victor Cheng帮人准备咨询公司案例面试的书case interview secrets和youtubde的case interview workship系列视频建立了自己做商业产品思考的思维框架 · ✅其实,我这一代的数据工作者,大部分人都是自己花了很多时间和精力构建对于数据行业的知识背景的,所以要转行的人千万不要因为觉得要补的知识太多就轻易觉得自己不适合,我们都是这样一步步走过来的 · ☕️☕️☕️ 📌有了基本知识构架,第二步就是做出可以放到求职简历上的数据项目 · 虽然说公司招收数据科学家主要是来做AB实验的,但是其实一般放在简历上的项目呢都是基于机器学习的数据建模 · 我在博士在读的最后一年参加了一个叫Insight Data Science的项目,有点类似于现在市面上众多的数据相关的bootcamp吧。那这个项目的整个过程给每个参与者7周的时间来做一个完整的数据产品。我当时做的是一个描述食物味道的网站,只要你输入菜名,我就输出食谱以及在酸甜苦辣咸这些维度上对菜品味道的描述。这个网站的背后呢,其实有 👉存放所有菜谱的数据库 👉一个从原料的组合预测味道的机器算法模型 所以这就是我拿到第一个数据工作时简历上唯一跟数据相关的项目 · 但是进入Insight Data Science这个项目也需要面试,那时候是需要讲一个自己做的数据项目,所以那是我第一次真正的做一个数据项目。我用了LinkedIn用户的技能和职业数据做了一个根据技能推荐职业的机器学习算法,但是那个时候完全没有UI,只是单纯的用图表和数据介绍了模型 · ✅所以要做数据项目其实不难, 👉最直接的方法就是去Kaggle上一个项目,有数据也有命题,立马上就可以上手了 👉稍微高级一点呢,Coursera和Udacity等很多教学网站上的数据科学系列课程最后都有一个大项目 👉最后,还可以参加数据科学的bootcamp,除了我个人参加过的这个Insight Data Science(最近倒闭了),还有很多,都是会给你实战项目的数据工作培训营 · ☕️☕️☕️ 📌虽然在补完了基本知识之后呢,数据项目我们完全可以自己想自己做,但是我个人会倾向于借助bootcamp这一步,这里就涉及到了转行非常重要的networking · 自己当年没有做完项目直接出去找数据工作,而是借助了Insight Data Science这个跳板就是觉得简历上的数据项目,可能在我海投之后能给我一个工作,但是公司和职位的好坏我应该没有太多挑选的余地。后来在职场我也亲眼感受到了,比起我当初手里的那个博士学位,在筛选简历这一步,很多公司更愿意优先考虑有数据工作经验的求职者 · 但是很多bootcamp跟公司都有直接的合作关系,有着自己输送求职者的通道,所以这些项目提供的最宝贵的资源,其实并不是你自己也可以边学边做的数据项目,而是他们在求职市场上的人脉关系,这等于是变相的给我们的简历镀了层金。特别是如果你参加过的项目曾经给你求职的公司输送过很多的优秀人才,你的简历也会以此沾光 · ✅所以如果你觉得自己背景不够扎实对转行数据信心不足,或者说转行后的第一份工作就想高点起步,很推荐大家去参加一些比如说承诺帮你networking或者找到工作的bootcamp · ☕️☕️☕️ 📌很多人怀疑自己的专业或者前一份职业跟数据真的相关性太小而不能转数据工作 · 但是我觉得转不转的关键不是能不能,而是你到底想不想。我当年参加Insight Data Science的时候,身边除了有学人类学的博士,有差点就申请了教职的博士后,更有在硬件行业干了好多年的Principal Engineer,所以要转行总能找到方法 · ✅但我们应该冷静的想一想,我到底要不要转行数据,我以后会不会喜欢这份工作。其实每个人进入数据行业都需要付出很多的努力,只有你真的坚定了想法,才能坚持下来
发布了笔记 4年前
聊聊为什么【数据行业】不会垮掉却还在继续扩张
作为一名在硅谷“卖命”五年的数据科学家,前后在Facebook和Netflix任职,想跟大家一起聊聊: 【数据行业】是不是一个已经接近饱和的坑❓ 【数据科学家】到底有没有长期的职业出路❓ · 今年五月,美国由于疫情封城,Airbnb和Lyft这些在美国曾经最被看好的科技公司都有裁员,相较于【软件工程师】,【数据工作者】当然首当起充。但是,基于我对工作以及生活的观察,我认为数据行业不但不会跨,还会继续扩张,主要由以下一些原因吧 ☕️☕️☕️ 📌首先呢,产品更新真的越来越离不开数据了 互联网公司雇佣数据科学家的初衷就是在推广新功能前,以抽样部分用户做A/B Testing的方法来测量新功能对用户的影响,以决定要不要推广新功能 · 这种先测试再推广的模式在我们生活的方方面面,比如Lady M的实体店在进驻湾区之前,是先以Pop-Up的形式存在的,其目的就是想以低成本的方式来测试Lady M在湾区开实体店到底能不能盈利 · 就像Lady M用Pop-Up期间的客流量和营业额来估算之后的实体店是否能盈利,互联网公司就是用A/B Testing期间用户在线上的行为差异来估算新功能是否能提高用户体验 · 如果越过这一步,Lady M贸然启动实体店,入不敷出,那么投入实体店的成本也就血本无归了。相同的,互联网公司贸然推广新功能,破坏了用户体验,丢失用户更是一笔巨大的损失 · ✅任何事物想要进步就得改变,想要改变就得承担风险,但是数据可以识别风险,保证一切最大化的在正方向推进 ☕️☕️☕️ 📌比产品的依赖更可怕的其实是个人对数据的依赖性也越来越强了 提到A/B Testing的时候,我们的一般想象都是有两个用户组,A组的用户看不到新功能,B组能看到新功能,但是其实我手里的实验都会有ABCDEFG好几个用户组 · 因为对于一个新功能,如果有按键,那按键可以是任何的形状和大小,如果有文字,那文字可以是任何的描述和字体,对于这些细微的变化,产品开发展者越来越不习惯用自己的直觉去做判断了,而是更愿意一一测试依赖数据给出答案。有一个比较夸张的例子就是Google为了选择一种更能迎合用户的蓝色,测试了近50种蓝色的变种 · 当然除了这种纵向上对数据的依赖,我们在横向上的依赖也是越来越宽广了。互联网公司里,本来只是Product Manager依赖数据做产品决策,后来Marketer也越来越依赖A/B Testing来优化营销投入了 · ✅就像很多自律的人,吃东西前都会阅读食物的卡路里标注,这个习惯一旦养成,对数据只会越来越依赖 ☕️☕️☕️ 📌最重要的是,这个世界上的数据还会越来越多 数据行业的兴起能完全依赖于人们把线下行为一步一步的搬到了互联网上,然后各种用户行为都变成了数字,而这个趋势还会一直持续。很多人想到线上数据,可能脑子里的画面是在Amazon上剁手或者刷Instgram的美图,但其实数据还有Apple Watch上的心率和运动,家里Nest收集的气温和湿度,太多太多 · 就拿美国疫情封城,虽然Uber用的人少了,数据也少了,但是互联网家庭健身仪器Peloton却崛起了,随之而来的,就是创造了一个新的维度,人们骑单身的数据 · ✅你身边还有多少没有被数据化的行为,它们都会是这个数据行业无限扩张的潜力 ☕️☕️☕️ 📌说了那么多关于整个行业的趋势,最后简单说说数据工作的市场吧 确实在职位需求增长的同时,很多学校都开设了数据相关的专业,因此人才供应肯定也是同步在上涨。但是一个好的数据工作者真的不是统计学学的有多扎实,SQL写的有多高效,机器学习懂得有多深这些数据工作者的硬技能来描述的 · ✅我们都说互联网把用户行为变成了数据,所以一个好的数据工作者最重要的是成为那个从千姿百态的数据中抓出精髓再折射回用户行为的媒介
发布了笔记 4年前
说说自己的职业【数据科学家】为什么在产品团队中如此重要
在硅谷的大厂Facebook和Netflix,前后“卖命”快五年,来跟大家聊聊关于【数据科学家】这个职业。基于自己的亲身经历和所见所闻,第一篇先来说说数据科学家在一个产品团队里到底扮演着怎样的一个角色? ☕️ 在硅谷的大厂,一个产品团队,往往需要五个职能来共同支持 1️⃣Product Managaer产品经理:做产品的规划和决策 2️⃣Product Designer设计师:做新功能的设计 3️⃣Engineer工程师:做新功能的实现 4️⃣UX Researcher用户体验研究员:做用户的个体分析 5️⃣Data Scientist数据科学家:做用户的群体分析。 ☕️ 📌很多人觉得【数据科学家】这个职业没有像【工程师】那么刚需 ✅确实没错,特别是对于新兴的产品,一来没有那么多的用户,二来没有创新上的瓶颈,【产品经理】,【设计师】和【工程师】三个角色完全搞定产品的开发和更新 · 但是对于成熟的产品,当产品创新的想法不再是层出不穷,而产品的更新都会因为功能之间的集成和用户基数的庞大而牵一发动全身,产品团队对【用户体验研究员】和【数据科学家】的依赖性也就越来越大了 ☕️ 📌在一个新功能的开发周期里,其实以上的五个只能都扮演着不可或缺的角色吧 · 👉新功能的开发呢,往往起始于【用户体验研究员】的用户研究,目的是从个体用户中收集产品中存在的痛点 👉然后【产品经理】根据产品痛点,组织大家做头脑风暴,列出产品创新的一些方案 👉有了这个方案后,【数据科学家】利用数据估算这些新功能在群体用户中的必要性以及对用户可能会产生的正面效应 👉【产品经理】根据数据敲定最后要投入开发的产品功能,【设计师】做设计,【工程师】做实现,这期间【用户体验研究员】可能还会把新功能给个体用户试用,作进一步调整 👉当新功能开发完毕,【数据科学家】要用AB实验评估新功能对群体用户的影响 👉最后由【产品经理】根据实验结果来最终决定是否要让这个功能面向所有用户 · 所以,产品团队依赖数据科学家来筛选要投入开发的产品功能,更依赖数据科学家来决策开发的功能要不要被加入到产品中去,前者是用analytics帮助项目落地,后者是用experimentation帮助产品落地 ☕️ 📌但是这两次落地的决策权呢看起来似乎都在产品经理手里,所以就不免会让人觉得【数据科学家】这个职业没有【产品经理】来的高级 ✅确实产品经理这个职业呢对从业者的要求很高,但是数据科学家和产品经理本身的工作内容差别很大 · 👉笼统的说呢产品经理接触的是一个面,他们的主要工作呢是协调产品团队一起做出更好的产品,虽然产品经理拥有着决策权,但是他的每一个决定也必须让整个团队支持和信服 👉而数据科学家深入的是一个点,我们的主要工作呢是用数据帮助产品经理讲故事做决策,但是对于看什么数据,根据数据做怎么样的推荐其实数据科学家有着拥有着充分的自治权 · 所以能和产品经理建立一个相互信任和依赖的合作关系的数据科学家,少有会因为没有台面上的决策权而感动沮丧,而会因为用数据支撑着整个团队的共进退而饱尝存在感